Mistral представила Agentic Search - новый подход к поиску информации для AI-систем. Это не просто улучшение классического RAG, а полноценный агентный слой, который умеет перемещаться внутри сложных документов, читать их и проверять достоверность данных. В отличие от традиционного поиска, который возвращает набор фрагментов, Agentic Search ведёт себя как исследователь: он не останавливается на первом совпадении, а изучает структуру документа, сопоставляет таблицы, сноски и приложения, пока не соберёт целостную картину. Разбираемся, что это меняет на практике и кому пригодится.
Почему обычный RAG спотыкается на сложных документах
Классический retrieval (RAG) работает по простому принципу: документ нарезается на фрагменты, каждый фрагмент индексируется, а при запросе система находит наиболее похожие куски и склеивает их в ответ. Такой подход хорош для простых FAQ, но ломается на сложных документах: таблицах, многостраничных отчётах, юридических договорах, научных статьях. Фрагменты теряют контекст, нумерация и сноски отрываются от смысла, а ответы получаются поверхностными. Если нужная информация распределена по нескольким разделам, RAG часто выдаёт лишь один кусок, упуская остальные.
Часто проблема в том, что RAG не видит иерархию документа. Заголовки, списки, колонтитулы, подписи к рисункам для него, просто текст. Поэтому при ответе на вопрос «Какие условия расторжения указаны в приложении 3 к договору?» система может найти слово «расторжение» в одном месте, а приложение 3, в другом, и не связать их. Результат, правдоподобный, но неполный или даже неверный ответ. Ещё сложнее с таблицами: семантический поиск находит ячейку с нужным числом, но не понимает, что это число относится к другому периоду или подразделению, потому что структура таблицы не сохраняется при нарезке.
Как Agentic Search решает эту задачу
Agentic Search построен вокруг модели-агента, которая может не только искать, но и действовать. Вместо того чтобы один раз выполнить векторный поиск, агент пошагово исследует документ: читает оглавление, переходит к нужному разделу, извлекает таблицу, проверяет примечания и возвращается назад, если данные противоречивы. Он воспринимает документ как структурированный объект, а не как мешок текста. Это позволяет ему обрабатывать документы в исходном виде, включая PDF с многоуровневой вёрсткой, сканы с распознаванием текста и даже сложные Excel-файлы.
Ключевые возможности
- Перемещение по документу. Агент может «перелистывать» страницы, переходить по внутренним ссылкам и оглавлению, а не только искать по смыслу. Например, в годовом отчёте он найдёт упоминание выручки, увидит ссылку на примечание 7 и откроет его, чтобы получить разбивку по регионам.
- Чтение и интерпретация таблиц. Агент понимает, что строка «Итого» суммирует предыдущие строки, а в столбце указаны разные годы. Он может указать, что цифра 12,4 млрд, это выручка за первый квартал, а не за год.
- Проверка достоверности. Агент сопоставляет информацию из разных частей документа и замечает расхождения. Если в одном разделе написано «срок поставки 30 дней», а в другом «20 рабочих дней», он вернёт оба варианта и отметит противоречие, а не выберет случайный.
Эти возможности делают Agentic Search по сути мини-исследователем. Он не просто отвечает на запрос, а аргументирует ответ ссылками на конкретные места в документе, что критически важно для аудита, юридической проверки или финансового анализа.
Где это пригодится на практике
Наиболее востребован такой поиск в отраслях, где ошибка стоит дорого.
Финансы и аудит. Аналитику нужно найти, как изменилась себестоимость за последний квартал. Классический RAG выдаст общие цифры и пропустит детализацию в примечаниях. Агент сам пройдёт по структуре отчёта, найдёт основной показатель, спустится в пояснения, проверит, как учитывались курсовые разницы, и соберёт полный ответ с указанием страниц.
Юриспруденция. В договорах важны детали: сроки, штрафы, определения терминов. Агент может просмотреть весь документ и связать пункт о просрочке с общими условиями и приложением с расчётными ставками. Он также способен сравнивать несколько версий договора и находить изменённые положения.
Медицина и научные исследования. В клинических исследованиях информация распределена между протоколом, индивидуальными данными пациентов и отчётами о побочных эффектах. Агент собирает все упоминания нужного параметра, проверяет их согласованность и выдаёт сводку с источниками, а не одно случайное совпадение.
Корпоративные знания. В больших компаниях документация по процессам часто разбросана по разным файлам: политики, регламенты, инструкции. Agentic Search может переходить между документами, находить пересечения и выявлять устаревшие инструкции по сравнению с актуальной версией.
Ограничения и перспективы
Пока Agentic Search не является серебряной пулей. Он требует больше вычислительных ресурсов, чем классический RAG, потому что агенту нужно совершать несколько шагов: планировать, искать, читать, перепроверять. Ответы могут быть медленнее, а стоимость каждого запроса, выше. Также остаётся риск галлюцинаций, особенно если документ отсканирован с плохим качеством или содержит противоречия. Поэтому важно, чтобы у агента был механизм явных ссылок на источники и возможность сказать «информации недостаточно».
Другая проблема, обработка очень больших документов. Если в договоре тысячи страниц, агенту придётся сначала построить карту документа и определить, куда смотреть. А это уже задача планирования. Mistral, судя по анонсу, нацелена именно на это: не просто искать текст, а понимать, где он находится, как связан с другими частями и насколько надёжен. В ближайшем будущем такие агентные системы могут заменить традиционные RAG-пайплайны для сценариев, где качество важнее скорости. Но для простых задач, ответов по внутренней базе знаний, поиска по FAQ, обычный RAG останется достаточным и более дешёвым инструментом.
В любом случае Agentic Search знаменует переход от поиска по совпадению к поиску как рассуждению. AI-системы перестают просто находить куски текста, они начинают работать с документом так же, как человек: читать, перепроверять и делать выводы. И это, пожалуй, самое важное изменение после появления RAG.